머신 비전과 딥 러닝이 제조에서 자동화 검사 분야를 어떻게 변화시키고 있는지.

인공 지능은 거의 모든 영역에서 수많은 응용 프로그램을 통해 게임 체인저로 변모하고 있습니다. 이제 생산 및 제조 분야로 진출하여 깊은 학습 그렇게함으로써 더 빠르고 저렴하며 더 우수한 자동화를 제공합니다. 이 기사는 자동화 된 시각적 평가에 대한 간략한 이해와 딥 러닝 접근 방식으로 상당한 시간과 노력을 절약 할 수있는 방법을 제공합니다.

육안 검사 란 무엇입니까?

품질 관리를 위해 생산 라인의 제품 분석을 포함합니다. 육안 검사는 저장 탱크, 압력 용기, 배관 및 기타 장비와 같은 생산 시설의 다양한 장비에 대한 내부 및 외부 평가에도 사용할 수 있습니다.

매일처럼 일정한 시간 간격으로 발생하는 프로세스입니다. 육안 검사를 통해 생산 과정에서 가장 숨겨진 결함을 발견하는 것이 반복적으로 나타났습니다.

육안 검사는 언제 어디서 필요합니까?

육안 검사는 품질 또는 결함 평가를 위해 제조에 사용되는 반면, 비 생산 환경에서는 "대상"을 나타내는 기능이 있는지 여부를 확인하고 잠재적 인 부정적인 영향을 방지하는 데 사용할 수 있습니다.

육안 검사가 필요한 많은 산업 중에는 육안 검사가 매우 중요하고 부상, 사망, 손실과 같은 검사를 통해 발생할 수있는 오류의 잠재적으로 높은 비용으로 인해 높은 우선 순위 활동으로 간주되는 여러 산업이 있습니다. 값 비싼 장비, 폐기 품목, 재 작업 또는 고객 손실. 육안 검사가 우선되는 분야에는 핵무기, 원자력, 공항 수하물 검사, 항공기 정비, 식품 산업, 의약품 및 의약품이 포함됩니다.

수동 검사 만 고수하지 않는 이유는 무엇입니까?

오래된 것이 금일 수 있지만, 구식 검사 방법을 사용하는 데 몇 가지 제한이 있다고 주장 할 수 있습니다.

수동 검사에는 문제 대상 개체에 대한 평가를 수행하고 교육이나 사전 지식에 따라 판단을 내리는 사람, 검사자가 있어야합니다. 숙련 된 검사관의 육안 외에는 장비가 필요하지 않습니다.

연구에 따르면 육안 검사 오류는 일반적으로 20 ~ 30 % 범위입니다 (Drury & Fox, 1975). 일부 결함은 사람의 실수로 인한 것일 수 있고 다른 결함은 공간의 제한으로 인한 것일 수 있습니다. 특정 오류는 교육과 연습을 통해 줄일 수 있지만 완전히 제거 할 수는 없습니다.

제조시 육안 검사 오류는 기존 결함이 누락되거나 존재하지 않는 결함을 잘못 식별하는 (거짓 긍정) 두 가지 형태 중 하나를 취합니다. 누락은 오경보보다 훨씬 더 자주 발생하는 경향이 있습니다 (2012 참조). 누락은 품질 저하로 이어질 수 있으며 오탐은 불필요한 생산 비용과 전반적인 낭비를 초래할 수 있습니다.

게다가 수동 검사는 이와 같은 다른 한계가 있습니다.

• 인간의 눈은 기계식 카메라보다 기술적으로 더 발전되어 있지만 쉽게 속일 수 있다는 사실이 남아 있습니다. 육안 검사와 관련된 다음과 같은 약점을 고려하십시오.

인간의 비전만으로는 필수 불가결합니다 — 왼쪽과 같은 착시 현상은 인간의 눈이 얼마나 불안정한지를 보여줄 수 있습니다. 이것은 반드시 수동 검사가 완전히 쓸모 없다는 것을 의미하지는 않지만, 그것에 전적으로 의존하는 것은 현명하지 못하다는 것을 의미합니다.

시력의 부정확 — 인간의 눈은 특히 아주 작은 규모에서 정밀한 측정을 할 수 없습니다. 두 개의 유사한 물체를 비교하더라도 눈은 하나가 다른 물체보다 약간 작거나 크다는 것을 알아 차리지 못할 수 있습니다. 이 개념은 표면 거칠기, 크기 및 측정해야하는 기타 요소와 같은 특성에도 적용됩니다.

인건비 – 수작업 검사는 (여러) 훈련 된 개인을 임명하기 때문에 비용이 많이 드는 작업입니다. 비용면에서 수동 검사 작업자는 연간 $ 50,000 ~ $ 60,000의 급여를받을 수 있습니다.

새로운 시대의 대안

자동화 된 육안 검사는 육안 검사의 전체 절차를 사람의 개입과 독립적으로 만들어 이러한 문제를 극복 할 수 있습니다. 자동화 된 시스템을 사용하는 것은 일반적으로 수동 검사의 표준을 능가합니다.

딥 러닝과 머신 비전을 사용하면 가장 세밀한 부분까지 철저한 품질 검사를 수행하는 스마트 시스템을 구축하는 것이 가능할뿐만 아니라 달성 가능합니다. 우리는 검사와 같은 생산을 자동화하기 위해 걷고 말하는 안드로이드 로봇이 필요하지 않습니다. 육안 검사 프로세스를 자동화하려면 최소한의 물리적 장비가 필요합니다. 대신 딥 러닝을 사용하여 프로세스가 더 스마트 해집니다. 이 접근 방식은 일반적으로 이미지 획득, 전처리, 특징 추출, 분류 등과 같은 단계를 포함합니다. 이것은 또한 광범위한 그룹으로 분류됩니다. 이미지 인식.

딥 러닝이란 무엇이며 어떻게 고려됩니까?

딥 러닝 기술은 인간 수준의 지능을 모방하는 데 능숙한 수천 개의 계층을 포함하는 신경망을 사용하여 복잡한 패턴의 자연스러운 변화를 허용하면서 이상, 부품 및 캐릭터를 구별합니다. 이러한 방식으로 딥 러닝은 인간 육안 검사의 적응성과 컴퓨터 시스템의 속도 및 견고성을 통합합니다.

딥 러닝은 기계가 인간에게 자연스럽게 오는 것을 예를 통해 배우도록 가르칩니다. 새롭고 저렴한 하드웨어 덕분에 인간 두뇌의 뉴런 네트워크를 모방 한 다층 "심층"신경망을 구현하는 것이 실용적입니다. 이를 통해 제조 기술은 이미지를 인식하고 트렌드를 구별하며 지능적인 예측과 결정을 내릴 수있는 놀라운 새로운 기능을 제공합니다. 초기 훈련 중에 개발 된 핵심 로직에서 시작하여 심층 신경망은 새로운 이미지, 음성 및 텍스트가 제공 될 때 지속적으로 성능을 개선 할 수 있습니다.

그렇다면 머신 비전이란 무엇입니까?

머신 비전은 이미지 기반 자동 검사를 제공하는 데 사용되는 기술 및 방법입니다. 비주얼 컴퓨팅 기술을 사용하여 생산 라인을 따라 하나씩 발생하는 활동을 기계적으로 "볼"수있는 시스템입니다. 자동 검사 시스템의 구성 요소에는 일반적으로 조명, 카메라 또는 기타 이미지 획득 장치, 프로세서, 소프트웨어 및 출력 장치가 포함됩니다.

머신 비전은 속도, 정확성 및 반복성으로 인해 구조화 된 장면의 양적 및 질적 측정에서 인간의 비전을 능가합니다. 머신 비전 시스템은 사람의 눈으로보기에는 너무 작은 물체의 세부 사항을 쉽게 평가할 수 있으며 더 높은 신뢰성과 적은 오류로 검사 할 수 있습니다. 생산 라인에서 머신 비전 시스템은 분당 수백 또는 수천 개의 부품을 안정적이고 반복적으로 검사 할 수 있으며 이는 사람의 검사 능력을 훨씬 능가합니다.

전통적인 자동화 시스템은 비용을 최소화하고 효율성을 향상시키는 동시에 인간이 수행하는 변화에 대한 유연성이나 허용 오차가 없습니다. 수동 검사관은 미묘한 결함, 외관 결함 및 기능 결함을 구별 할 수 있으며인지 된 품질에 영향을 미칠 수있는 부품 모양의 변화를 해석 할 수 있습니다. 정보를 처리 할 수있는 속도는 제한되어 있지만 인간은 고유하게 개념화하고 일반화 할 수 있습니다. 인간은 예를 통해 학습하는 데 탁월하며 부품 간 약간의 이상이있을 때 정말 중요한 것을 구별 할 수 있습니다. 이것은 머신 비전이 복잡한 구조화되지 않은 장면, 특히 미묘한 결함과 예측할 수없는 결함이있는 장면의 질적 해석을 위해 많은 경우에 어떻게 최선의 선택을 할 수 있는지에 대한 의문을 불러 일으 킵니다.

이 시나리오에서 머신 비전과 딥 러닝이 함께 사용되는 이유

머신 비전 시스템은 스케일링, 회전 및 포즈 왜곡으로 인한 부품 외관의 약간의 변화를 허용하지만 복잡한 표면 텍스처 및 이미지 품질 문제로 인해 심각한 검사 문제가 발생합니다. 머신 비전 시스템만으로는 매우 시각적으로 유사한 이미지 간의 편차와 편차의 가능성을 평가하지 못합니다.

딥 러닝 기반 시스템은 본질적으로 더 복잡한 시각적 검사 (미묘하지만 허용 가능한 방식으로 다양한 패턴)에 적합합니다. 딥 러닝은 뒤틀 리거나 솔질되거나 광택이 나는 부품의 긁힘 및 움푹 들어간 곳과 같은 복잡한 표면 및 외관 결함을 해결하는 데 유용합니다. 관심있는 기능을 찾고, 읽고, 검사하거나, 분류하는 데 사용 되든 딥 러닝 기반 이미지 분석은 부품의 모양을 개념화하고 일반화하는 기능이 기존 머신 비전과 다릅니다.

그리고 그게 다가 아닙니다

제조와 관련하여 자동 육안 검사를 선택해야하는 이유는 다음과 같습니다.

더 나은 인식

머신 비전은 이미지 획득에 사용되는 기술과 장비에 따라 매우 높은 광학 해상도를 가지고 있습니다.

인간의 시력과 비교할 때 머신 비전은 스펙트럼의 자외선, X 선 및 적외선 영역에서도 관찰을 수행 할 수있는 '더 넓은'시각적 인식 스펙트럼을 가지고 있습니다.

더 빠르게 — 관찰과 결론은 FLOP으로 측정 된 컴퓨터 속도의 속도로 매우 빠르게 이루어지며 정확한 계산 결과를 얻습니다.

시스템은 잠재적으로 무한한 메모리 용량과 함께 더 높은 처리 속도와 관련된 모든 기능을 갖추고 있습니다.

신뢰성 — 시스템은 의문의 여지없이 지침에 따라 필요에 따라 편향되지 않고 프로그래밍 할 수 있습니다.

정확한 - 자동화 된 시스템은 표준화 된 방식으로 절대 치수를 측정 할 수 있습니다.

환경과 무관 — 이러한 시스템은 인간의 개입이 위험하다고 판명 될 수있는 위험하고 위험한 조건 또는 환경에 배포 될 수 있습니다.

자동 육안 검사를 시작하는 방법

요구 사항 측면에서 AVI는 실제로 많은 물리적 장비를 필요로하지 않습니다. 육안 검사 자동화를 시작하는 데 필요한 장비는 하드웨어 과 소프트웨어 자원.

하드웨어

이러한 리소스는 카메라, 광도계, 색도계와 같은 기본 장비와 등급 지정 또는 분류에 필요한 선택적 보조 장비로 구성되며 이는 산업 및 자동화 프로세스에 따라 달라집니다.

우리는 본질적으로 사진을 찍고 이미지를 분석하고 있습니다. 카메라 만 있으면됩니다!

사용하는 산업에 따라 물리적 장비는 실제로 세 가지 하위 시스템으로 분류 될 수 있습니다.

• 먹이 시스템 — 광학 시스템이 개별 항목의 프레임을 캡처 할 수 있도록 항목을 균등하게 분산하고 일정한 속도로 이동합니다.
• 광학 시스템 — 특별히 조정 된 광원과 센서 (일반적으로 디지털 카메라)로 구성됩니다. 광학 시스템은 검사 된 항목의 이미지를 캡처하여 소프트웨어가 항목을 처리하고 분석 할 수 있도록합니다.
• 분리 시스템 — 불량품 및 / 또는 등급을 제거하고 품질에 따라 제품을 여러 범주로 구분합니다.

소프트웨어

AVI의 주요 요구 사항은 소프트웨어 계층으로, 그 핵심은 특정 부품의 결함 및 부재 / 존재 여부에 대해 제품 또는 관심 대상을 검사하는 데 도움이되는 컴퓨터 비전 기술입니다.

자동화 된 시각 검사 시스템의 소프트웨어 부분에는 고급 이미지 분석 알고리즘과 무거운 프로그래밍이 필요합니다. 이 알고리즘은 이미지를 처리하여 품질을 조정하고 흥미로운 지점과 영역을 찾은 다음 마지막으로 이러한 영역에서 발견 된 특징을 기반으로 결정합니다.

딥 러닝 기술은 인간 또는 기존 머신 비전 프로세스를 능가하는 자동화 된 시각적 검사 시스템을 가능하게했습니다.

딥 러닝 모델은 검사 문제를 해결하는 데 큰 성공을 거두었 기 때문에 소프트웨어의 필수 불가결 한 부분으로 입증되었습니다. 볼트와 같은 수천 개의 이미지를 학습 할 수 있으며 딥 러닝 알고리즘은 볼트의 "표준"모양에서 의미있는 편차를 감지하는 방법을 점차적으로 학습합니다. 사용 사례에 따라 검사 문제는 다음과 같은 다른 작업 중 하나 또는 조합을 사용하여 해결할 수 있습니다. 객체 감지, 시맨틱 분할 과 이미지 분류. 일련 번호 또는 바코드를 읽는 OCR 모델도 포함될 수 있습니다.

높은 이미지 처리 속도를 유지하기 위해 훈련 된 딥 러닝 모델 일반적으로 리소스가 많은 컴퓨터에 배포해야합니다. 예를 들어 실시간으로 결과를 얻으려면 GPU가 필요합니다.

조명 조건, 검사 할 제품 수, 찾을 결함 유형, 결함 / 물체의 크기, 이미지 해상도 등 검사 모델의 결과적인 정확성과 성능에 여러 요소가 역할을합니다. 따라서 자동화 된 시각 검사 시스템에는 이러한 복잡한 시스템을 구축 할 수있는 숙련 된 R & D 엔지니어 팀이 필요합니다.

각 제조 단위에는 서로 다르고 종종 고유 한 데이터 (이미지)가 있습니다. 카메라 유형, 실내 조명 또는 제품 자체가 다를 수 있습니다. 따라서 AVI의 소프트웨어 부분은 항상 특정 검사 요구에 맞는 맞춤형 솔루션입니다.

Nanonets는 시각적 검사를 자동화하는 소프트웨어를 개발하는 데 필수적인 딥 러닝 모델을 구축하고 배포하는 데 도움이됩니다.

비즈니스를 개선하기 위해 새로운 미개척 영역으로 실험하려면 다년간의 경험과 비즈니스를위한 딥 러닝 솔루션 구축에 대한 입증 된 실적을 갖춘 효율적인 팀이 필요합니다.

고려해야 할 더 많은 요소가 있습니다. 딥 러닝 모델 훈련데이터를 사전 처리하고, 모델을 정의하고, 실제로 모델을 실행할 수있을만큼 강력한 컴퓨터를 확보하는 방법과 같은 것입니다.

나노 넷 사용하기 쉬운 API를 제공하여 비즈니스의 특정 요구에 맞춤화 된 딥 러닝 모델을 교육하고 배포합니다. 생산 준비가 된 고정밀 모델을 구축하는 데 필요한 모든 무거운 작업을 처리합니다. 데이터 확대, 전이 학습 및 예, 초 매개 변수 최적화!

최상의 모델을 찾으면 Nanonets는 웹 인터페이스를 사용하여 모델을 테스트하거나 2 줄의 코드를 사용하여 프로그램에 통합 할 수 있도록 클라우드에서 제공합니다. Nanonets는 또한 학습 된 모델이 포함 된 Docker 이미지를 제공하여 자체 머신에 모델을 배포 할 수 있습니다. 즉, 데이터 / 이미지가 구내 / 로컬 네트워크를 벗어날 필요가 없습니다.

나노 넷을 사용할 수있는 몇 가지 일반적인 사용 사례는 다음과 같습니다.
• 생산 라인을 떠나기 전에 품질 관리 제품
• 수확 품질 평가
• 보험 청구 확인
• 생산 라인의 결함에 대한 부품 검사
• 결함 발견 및 식별 유틸리티 인프라에서

육안 검사를 자동화하고 싶으십니까? 코드에 게으르고 GPU에 지출하고 싶지 않습니까? 에 머리 나노 넷 무료로 모델 구축을 시작하세요!

이 모든 것에서 무엇을 제거 할 수 있습니까?

인공 지능은 이미 여기에서 우리의 일상 생활을 혁신하고 있습니다. 이미지로 검색하는 Google에서 제품 품질을 보장하는 복잡한 산업 시스템에 이르기까지 머신 비전은 우리의 삶을 가장 평범하고 복잡한 작업을 더 쉽게 수행 할 수 있도록합니다. 그리고 조만간 시각적 품질 검사 작업이 대부분 기계 기반이되어 인간이보다 정교한 작업에 집중할 수있게 될 가능성이 있습니다.

기술이 보편화됨에 따라 AI 시스템 비용 호흡을 멈추지 않고 효율성이 상승하는 동안 계속해서 내려갑니다. 산업 부문에서 자동화의 현재 추세는 사이버 물리 시스템, 사물 인터넷, 클라우드 컴퓨팅 및 코 그너 티브 컴퓨팅을 포함하는 인더스트리 4.0이라는 주제를 불러 일으켰습니다. 인더스트리 4.0은 일반적으로 XNUMX 차 산업 혁명이라고합니다.

인더스트리 4.0은 "스마트 팩토리"라고 불리는 것을 육성합니다. 모듈 식 구조의 스마트 팩토리 내에서 사이버-물리 시스템은 물리적 프로세스를 모니터링하고 물리적 세계의 가상 사본을 생성하며 분산 된 결정을 내립니다. 사물 인터넷을 통해 사이버-물리적 시스템은 가치 사슬의 참여자가 제공하고 사용하는 내부 및 조직 서비스 전반에서 실시간으로 서로 및 인간과 통신하고 협력합니다.

머신 비전과 딥 러닝이 글로벌 제조업체를 새로운 수준의 효율성과 생산성으로 이끄는이 산업 혁명의 필수적인 부분이 될 것이라는 데는 의심의 여지가 없습니다.

다음에 대한 최신 게시물에 관심이있을 수 있습니다.

코인 스마트. 유로파 최고의 비트 코인-보르 스
출처 : https://nanonets.com/blog/ai-visual-inspection/